基于原对偶内点法的非线性最优化求解器

资 源 简 介

该项目实现了一套完整的原对偶内点法计算框架，专门用于求解具有复杂约束条件的连续非线性最优化问题。程序的核心逻辑专注于通过构造中心路径寻找下降方向，并利用牛顿法求解卡罗需-库恩-塔克（KKT）系统方程组。在实现过程中，算法通过引入松弛变量将不等式约束转化为等式约束，并在每次迭代过程中动态调整障碍项参数，以确保搜索过程始终在可行域内部进行。该程序能够处理具有二阶连续可微特性的目标函数和各种非线性约束，通过自适应的回溯直线搜索技术确定步长，从而平衡了计算效率与收敛的鲁棒性。应用场景涵盖了电力系统最优潮流计算、工

详 情 说 明

基于原对偶内点法的非线性最优化问题求解器

项目介绍

本项目实现了一个基于原对偶内点法（Primal-Dual Interior-Point Method）的通用非线性优化框架。该求解器旨在解决包含非线性目标函数、非线性不等式约束以及非线性等式约束的复杂优化问题。算法通过将不等式约束引入松弛变量并构造中心路径，利用牛顿法交替优化原变量与对偶变量，最终实现从可行域内部逼近最优解。

功能特性

• 非线性约束支持：能够同时处理多个非线性不等式约束和等式约束。
• 原对偶算法框架：通过同步更新原变量、松弛变量和拉格朗日乘子，保证了收敛的稳定性。
• 数值微分引擎：内置基于有限差分法的梯度、雅可比矩阵及海森（Hessian）矩阵计算模块，支持对任意二阶连续可微函数进行求解。
• 自适应障碍参数更新：基于互补间隙动态调整障碍项参数 $mu$，在保证搜索过程远离边界的同时提升收敛速度。
• 安全步长控制策略：实施“分数到边界”规则，确保松弛变量和乘子在迭代过程中严格保持为正值。
• 可视化监控：实时输出迭代日志，并生成收敛轨迹图和目标函数下降曲线。

系统要求

• 环境需求：MATLAB R2016a 或更高版本。
• 工具箱需求：无需特殊工具箱，核心算法基于MATLAB基础函数库实现。

使用方法

1. 定义数学模型：在程序开头以函数句柄形式定义目标函数 f_obj、不等式约束函数 g_ineq（形式为 $g(x) le 0$）以及等式约束函数 h_eq。
2. 设置初始值：指定原变量的搜索起点 x0。
3. 配置参数：根据需要调整收敛容差 tol、最大迭代次数 max_iter 以及初始缩减系数等超参数。
4. 运行程序：执行主脚本，控制台将输出每轮迭代的残差值与目标函数值，并在完成后弹出收敛分析图表。

核心功能实现逻辑

程序的运行逻辑严格遵循原对偶内点法的数学规范，主要分为以下几个阶段：

1. 变量初始化与松弛化 程序首先引入松弛变量 $s$ 将不等式约束 $g(x) le 0$ 转化为等式约束 $g(x) + s = 0$（其中 $s > 0$）。同时初始化拉格朗日乘子 $lambda$（对应不等式）和 $nu$（对应等式）。所有对偶变量及松弛变量均赋予正初值。

2. KKT系统残差计算 在每次迭代中，程序构建非线性方程组的残差向量，包括：

• 对偶残差：拉格朗日函数的梯度是否为零。
• 向心残差：互补松弛条件 $s_i lambda_i = mu$ 的满足程度。
• 不等式/等式可行性残差：约束函数的满足情况。

3. 牛顿方向的求解 程序通过求解一个大规模线性方程组（KKT系统矩阵）来获取搜索方向。该系统矩阵集成了目标函数的海森矩阵、约束函数的雅可比矩阵以及当前的乘子状态。利用左除号直接求解线性方程，得到原变量、松弛变量和乘子的增量步。

4. 步长计算与边界保护 为了确保松弛变量 $s$ 和对偶变量 $lambda$ 始终落在可行域内（即严格大于零），程序采用了分数到边界规则（Fraction-to-the-boundary rule）。通过计算缩减系数 $alpha$，限制步长不会直接触碰约束边界。

5. 障碍项参数 $mu$ 的自适应调整 每轮迭代后，程序计算当前的平均互补间隙，并乘以衰减因子 $sigma$ 来更新障碍参数 $mu$。随着 $mu$ 的减小，迭代点逐渐从中心路径向真实的KKT点逼近。

关键函数与实现细节描述

数值微分模块 由于该求解器被设计为通用型，程序内部不要求用户手动输入导数。

• 一阶与二阶微分：利用前向差分计算梯度，利用四点中心差分公式构造 Hessian 矩阵。这种方式不仅简化了用户建模，还能有效处理复杂的嵌套非线性函数。
• 雅可比矩阵计算：专门处理约束函数的向量化输出，自动提取各个变量对各条约束的敏感度。

收敛判别与记录 程序通过计算四个残差项的范数之和作为总残差。当总残差低于设定的阈值 tol 时，判定算法收敛。同时，程序将每次迭代的残差值和函数值存入历史数组，以便后续进行性能分析。

可视化分析 程序执行完毕后，会利用 subplot 功能绘制双图：

• 收敛轨迹图：以对数坐标显示迭代过程中残差的下降趋势，直观展示算法的二阶收敛特性。
• 下降过程图：实时记录目标函数值的变化，用于验证优化过程的单调性或趋势。